Добавлен client.py

client.py

@@ -0,0 +1,120 @@
+# client.py
+
+"""
+Интерактивный CLI для LangChain‑агента с потоковым выводом.
+Используем только стек из условия:
+    - langchain.agents.create_agent
+    - langchain.tools.tool
+    - langchain_ollama.ChatOllama
+    - rich.print (rprint)
+"""
+
+from langchain.agents import create_agent
+from langchain.tools import tool
+from langchain_ollama import ChatOllama
+from rich import print as rprint
+
+# ------------------------------------------------------------------
+# 1. Определяем LLM‑обёртку – Ollama
+# ------------------------------------------------------------------
+llm = ChatOllama(model="llama3")          # модель, которую можно заменить
+
+# ------------------------------------------------------------------
+# 2. Создаём инструмент get_price
+#    В реальном проекте он бы вызывал подагент или API,
+#    здесь просто возвращаем фиктивную таблицу.
+# ------------------------------------------------------------------
+@tool("get_price", "Получить цену товара в указанном городе")
+def get_price(product: str, city: str) -> str:
+    """
+    Возвращает таблицу с ценой продукта в заданном городе.
+    """
+    # В реальном коде здесь могла бы быть логика обращения к API
+    return f"| Продукт | Цена (руб.) | Магазин |\n| {product}  | 89          | Магнит   |"
+
+# ------------------------------------------------------------------
+# 3. Создаём агента, который использует LLM и инструмент get_price
+# ------------------------------------------------------------------
+agent = create_agent(
+    llm=llm,
+    tools=[get_price],
+    verbose=False,            # будем выводить вручную
+)
+
+# ------------------------------------------------------------------
+# 4. Функции форматирования чанков
+# ------------------------------------------------------------------
+def format_message(message) -> str:
+    """
+    Форматируем сообщение для вывода.
+    Если в сообщении есть content – возвращаем его,
+    иначе (tool call) формируем строку вызова инструмента.
+    """
+    if message.content:
+        return message.content
+    # Предполагаем, что tool_calls содержит один элемент
+    tc = message.tool_calls[0]
+    name = tc["name"]
+    args = tc.get("args", {})
+    return f"{name}({args})"
+
+def format_chunk_message(chunk):
+    """
+    Выводим токен текста в режиме stream.
+    При смене шага выводим разделитель.
+    """
+    global step
+    message, meta = chunk
+    if meta["langgraph_step"] != step:
+        step = meta["langgraph_step"]
+        rprint("\n--- --- ---\n")
+    if message.content:
+        # flush=False – чтобы не добавлять перевод строки после каждого токена
+        print(message.content, end="", flush=True)
+
+# ------------------------------------------------------------------
+# 5. Основной цикл CLI
+# ------------------------------------------------------------------
+def main():
+    """
+    Запускаем интерактивный режим: пользователь вводит запрос,
+    агент отвечает в режиме stream.
+    """
+    rprint("[bold cyan]LangChain Stream‑Agent[/bold cyan]")
+    rprint("Введите ваш вопрос (Ctrl+C для выхода):")
+    while True:
+        try:
+            user_input = input("\n> ")
+        except KeyboardInterrupt:
+            rprint("\n[red]Выход из программы.[/red]")
+            break
+
+        if not user_input.strip():
+            continue
+
+        # Запускаем потоковый вывод
+        stream = agent.stream(
+            {"messages": [{"role": "human", "content": user_input}]},
+            stream_mode=["messages", "updates"],
+        )
+
+        step = 1  # номер текущего шага агента
+
+        for chunk in stream:
+            chunk_type, chunk_data = chunk
+
+            if chunk_type == "messages":
+                format_chunk_message(chunk_data)
+
+            elif chunk_type == "updates":
+                # При завершении шага выводим итоговое сообщение
+                model_update = chunk_data.get("model")
+                if model_update:
+                    last_msg = model_update["messages"][-1]
+                    rprint("\n" + format_message(last_msg))
+
+        # После завершения потока добавляем перевод строки для следующего запроса
+        print()
+
+if __name__ == "__main__":
+    main()